Different Spectral Domain Transformation for Land Cover Classification Using Convolutional Neural Networks with Multi-Temporal Satellite Imagery
Junghee Lee, Daehyeon Han, Minso Shin, Jungho Im, 이정혜, Lindi J. Quackenbush (2020) · remote-sensing 12
Convolutional Neural Network-Based Land Cover Classification Using 2-D Spectral Reflectance Curve Graphs With Multitemporal Satellite Imagery 의 방법론적 발전 — spectral 도메인 변환 4 가지 비교 (CNN-Polygon, CNN-Matrix, CNN-1D, CNN-Patch). CNN-Polygon 이 소규모 학습 sample (<200/class) 에 특히 우월 (Accuracy 93-95% Concord, Lake Tapps; 80-84% Gwangju). Landsat 8 + 9 land cover class. 시각적 직관 이 CNN 성능 결정 — graph 형태로 spectral curve 변환 이 작은 sample 에 효과적.
- RQ: Spectral vector → 2D 변환 방법 (Polygon graph vs Matrix vs Line vs Patch) 중 CNN 성능에 가장 유리한 것은? Sample size 따라 최적 변환은?
- 방법론: 4 spectral domain 변환 + CNN — CNN-Polygon, CNN-Matrix, CNN-1D, CNN-Patch + baseline (RF, SVM). 4 계절 Landsat 8 영상.
- 데이터: Landsat 8 multitemporal (4 계절), 3 지역 (Lake Tapps WA, Concord NH, Gwangju Korea), 9 land cover class
- 주요 발견: (1) CNN-Polygon 최고 정확도 — 93-95% (Concord, Lake Tapps), 80-84% (Gwangju). (2) 소규모 sample (<200/class) 에 CNN-Polygon 특히 우월. (3) Sample size 커지면 CNN-Matrix 도 유사 또는 더 나음. (4) Occlusion map sensitivity analysis — NIR 채널이 산림 분류에 결정적.
- 시사점: 위성 spectral 데이터의 2D 변환 방식 이 CNN 정확도에 큰 영향. 시각적으로 직관적 표현이 작은 sample 에 robust — 데이터 제약 환경 에 graph CNN 권장.
요약
이 paper 는 이정혜 의 2 기 원격탐사 라인 의 발전 — Convolutional Neural Network-Based Land Cover Classification Using 2-D Spectral Reflectance Curve Graphs With Multitemporal Satellite Imagery (2D graph 변환 첫 시도) 의 체계적 비교 + 정량 평가. Junghee Lee (제 1 저자, UNIST) + Jungho Im (지도) + 이정혜 의 공저.
방법론적 핵심: 4 가지 spectral 변환 비교. (i) CNN-Polygon — spectral curve 를 닫힌 polygon graph 로. (ii) CNN-Matrix — band × time matrix. (iii) CNN-1D — 1D spectral vector. (iv) CNN-Patch — 공간 patch 기반. 추가 baseline: Random Forest, SVM. Oversampling, undersampling 실험으로 sample size 영향 평가.
핵심 발견: (i) Polygon > Matrix > Patch > 1D. Polygon 의 시각적 직관성 이 CNN 의 이미지 인식 능력 과 시너지. (ii) Sample 작을 때 Polygon 강점 부각. Matrix 는 sample 큰 경우 비등 또는 우월. (iii) Sensitivity analysis (Occlusion map): NIR 산림, SWIR 도시, RED 작물 등 class-specific contributing variable.
이정혜 의 연구 궤적 안에서 이 paper 는 2 기 원격탐사 라인의 정량 평가 발전. Convolutional Neural Network-Based Land Cover Classification Using 2-D Spectral Reflectance Curve Graphs With Multitemporal Satellite Imagery 자매.
핵심 결과
| 방법 | Concord/Lake Tapps | Gwangju | 작은 sample 강점 |
|---|---|---|---|
| CNN-Polygon | 93-95% | 80-84% | 최고 |
| CNN-Matrix | 비등 | 비등 | 큰 sample 유리 |
| CNN-1D | 평균 | 평균 | 보통 |
| CNN-Patch | 평균 | 평균 | 보통 |
| RF / SVM | 낮음 | 낮음 | — |
방법론 노트
Polygon transform: spectral vector → polar coordinates → closed polygon image. Multitemporal stack: 다중 시기 polygons overlaid.
CNN architecture: standard image conv + pool + FC.
식별 가정: (i) Polygon 형태가 land cover class signature 보존, (ii) CNN 의 작은 sample 일반화, (iii) 4 계절 Landsat 의 phenology 정보.
연구 계보
이 paper 는 (i) Convolutional Neural Network-Based Land Cover Classification Using 2-D Spectral Reflectance Curve Graphs With Multitemporal Satellite Imagery 직접 선행, (ii) Sharma et al. (2017) land cover CNN 라인, (iii) Zeiler & Fergus (2014) occlusion map 정통 — 의 결합. 이정혜 의 연구 궤적 2 기 원격탐사 라인의 정량 평가.
See also
- 이정혜
- Jungho Im
- convolutional-neural-network
- land-cover-classification
- remote-sensing
- Convolutional Neural Network-Based Land Cover Classification Using 2-D Spectral Reflectance Curve Graphs With Multitemporal Satellite Imagery
인접 그래프
- 인물 6
- 방법론 1
- 논문 1